融合多注意力机制的自监督小样本医学图像分割

融合多注意力机制的自监督小样本医学图像分割
要媛媛;刘宇航;程雨菁;彭梦晓;郑文
【期刊名称】《计算机工程与科学》
【年(卷),期】2024(46)3
【摘要】主流的基于全监督的深度学习分割模型在丰富的标记数据上训练时可以取得良好的效果,但医疗图像领域的图像分割存在标注成本高、分割目标种类多的问题,且往往缺少足够的标注数据。

提出一个模型,通过融合自监督从数据中提取标签,利用超像素表征图像特性,进行小样本标注条件下的图像分割。

引入多注意力机制使得模型更多关注图像的空间特征,位置注意模块和通道注意模块致力于单一图像内部的多尺度特征融合,而外部注意力模块显著突出了不同样本间的联系。

在CHAOS健康腹部器官数据集上进行实验,1-shot极端情况下DSC达0.76,相较baseline分割结果提升3%左右。

通过调整N-way-K-shot任务数来探讨小样本学习的意义,在7-shot设置下DSC有显著提升,与基于全监督的深度学习分割效果的差距在可接受范围内。

【总页数】9页(P479-487)
【作者】要媛媛;刘宇航;程雨菁;彭梦晓;郑文
【作者单位】太原理工大学计算机科学与技术学院(大数据学院);长治医学院山西省智能数据辅助诊疗工程研究中心
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.融合边缘增强注意力机制和U-Net网络的医学图像分割
2.基于注意力与金字塔融合的医学图像分割仿真
3.基于注意力机制的弱监督黑色素瘤图像分割研究
4.融合多尺度语义和剩余瓶颈注意力的医学图像分割
5.基于多尺度特征融合和注意力机制的医学图像分割网络
因版权原因，仅展示原文概要，查看原文内容请购买。